人工神经元的网络输入 1、设n个输入分别为x1,x2,…,xn,对应的权分别为 wpv2…,won,即有输入向量和权向量: X=(x1,x2, 神经元网络输入 X1 wI x, w net=XW net-2x w ∑ net=Xw
人工神经元的网络输入 1、设n个输入分别为x1 , x2 , … , xn，对应的权分别为 w1 , w2 , …, wn，即有输入向量和权向量： X=(x1 , x2 , … , xn ) W=(w1 , w2 , …, wn ) net=xiwi net=XW 神经元网络输入： x1 x2 xn net=XW w1 w2 wn
激活函数(激励函数、活化函数) 每个生物神经元有一个间值,当输入信号累加效果 超过值时,神经元处于激活状态,否则处于抑制 状态。 希望人工神经元有一个更一般的变换函数,来执行 该神经元获得的网络输入的变换,这就是激活函数。 o-f(net) x22 ∑me= o-tnel
激活函数(激励函数、活化函数) 每个生物神经元有一个阈值，当输入信号累加效果 超过阈值时，神经元处于激活状态，否则处于抑制 状态。 希望人工神经元有一个更一般的变换函数，来执行 该神经元获得的网络输入的变换，这就是激活函数。 o=f(net) x1 x2 xn net=XW w1 w2 wn o=f(net)
激活函数的种类 1、线性函数 2、非线性斜面函数 3、阈值函数,又称阶跃函数 4、S型函数
激活函数的种类 1、线性函数 2、非线性斜面函数 3、阈值函数，又称阶跃函数 4、S型函数
S型激活函数的特性 1、非线性 2、处处连续可导 3、有较好的增益控制防止网络进入饱和状态 O net
S型激活函数的特性 1、非线性 2、处处连续可导 3、有较好的增益控制—防止网络进入饱和状态 net o 0
人工神经元,M-P模型 将基本模型和激活函数合在一起就构成了人工神经元 这就是著名的 McCulloch-Pits模型,M-P模型 也称处理单元PE x2 w2 ∑ net=XW o-f(net)
人工神经元，M-P模型 x1 x2 xn net=XW w1 w2 wn o=f(net) 将基本模型和激活函数合在一起就构成了人工神经元 这就是著名的McCulloch-Pitts模型，M-P模型 也称处理单元PE